作为智能交通系统的基础组件之一,交通流预测一直是交通预测领域关注的热点问题。近几年来,随着城市规模的不断扩张,高端传感器的广泛铺设,海量交通数据源源不断地产生,对交通流预测模型的研究提出了巨大的挑战。其一,城市的扩张对预测模型的泛化能力提出了很高的要求。然而,目前基于图卷积神经网络（Graph Convolutional Network,GCN）的高级模型大多依赖于对全图节点的访问,这使其泛化能力受到了很大的限制。其二,交通数据是典型的时空大数据,它兼具了时间和空间的双重特性。以往的大部分研究只考虑了交通数据的时间特性,而忽略了交通道路网络的空间结构对预测结果的影响。因此,在预测精度方面,交通流预测模型还有很大的提升空间。其三,目前大多数时空混合模型存在着结构复杂、计算成本高、训练效率低的问题,如何在保证模型高精准预测的同时,降低模型的训练成本,这亦是一个值得研究的方向。针对上述问题,本文基于交通数据的时空特性,提出了一种门控图注意力网络（Spatial-Temporal Gated Graph Attention Network,ST-GGAN）模型。该模型结构简单,计算成本低且预测精度高。其中,我们选取图注意力网络（Graph Attention Mechanism,GAT）代替目前常见的GCN来提取道路网络的空间特征。与GCN相比,GAT适用于有向图,且不依赖于全图节点的访问,能够很好地适应城市规划的发展。其次,GAT能够根据相邻节点的重要性分配不同的权重,从而更精准地提取路网的空间特征。最后,GAT无需进行特征分解,这使其能够节省大量的计算成本,并提高模型的训练效率。此外,本文选取了门控循环单元（Gated Recurrent Unit,GRU）来提取动态时间序列的时间特征。GRU结构简单,训练参数少,可以在提高模型训练效率的同时精准的提取时间特征。通过真实数据集的测试,实验结果表明该模型的性能优于所有的基线模型,预测均方根误差至少降低了22.4%。同时,相较于性能最优的对比方法,它的训练效率提高了近六倍。为了进一步提高模型的预测精度,本文在ST-GGAN模型的基础上提出了双向门控图注意力网络（Bidirectional Gated Graph Attention Network,Bi-GGAN）,我们使用双向GRU来提取交通数据的时间特征。相较于ST-GGAN模型,Bi-GGAN模型的预测误差再次降低了1.5%,训练时间降低了三分之一。综上所述,本文针对目前交通流预测领域中存在的问题,提出了两种交通流预测模型,并基于一个真实数据集评估了两个模型的性能。实验结果证明,本文提出的模型在短、中、长期的预测中均取得了较好的效果。此外,两个模型都大幅度降低了现有模型的训练时长,并且其训练时间不会随着预测时间的增长而增加。